可信赖的企业级生成式AI白皮书.pdf

?版权声明?本报告相关部分版权属于中国开源软件推进联盟或国际商业机器(中国)有限公司，并受法律保护。转载、摘编或利其它式使本报告字或者观点的，应注明“来源：中国开源软件推进联盟、国际商业机器(中国)有限公司”。违反上述声明者，权利将追究其相关法律责任。?2?序?成式智能触发了新轮智能浪潮，智能（AI）正在以前所未有的速度和规模，重塑着我们的活和和作式，在推动经济转型和社会进步中展现出巨的潜。?企业是技术与创新转化为核产的重要载体，那么企业在 AI 时代，如何打造新产具形成新产，帮助企业产销的产品持续的迭代与进化？?可信赖的 AI 的重要性不喻。2019 年，我发表了“评智能如何向新阶段”？?触发了业界对智能发展向的热烈讨论。同年 8?份，COPU 提出研发 XAI?的任务，倡议机器学习、深度学习必须克服其的缺陷，打破盒痼疾，建可解释的机器学习模型，实现可解释、可信赖的智能，这在国内乃全球都是最早提出这个任务的少数机构之。2020?年 6?，COPU?主办第 15?届开源中国开源世界峰论坛，邀请?IBM?副总裁 Todd?Moore?在会上作“可信任智能（反欺诈、可解释、公平性）”的报告，IBM 程海旭团队与 COPU 在此话题也进多次研讨,?并且应 COPU 要求写了三篇章回应 COPU 提出的问题。并且，IBM 开源了针对反欺诈、可解释性和公平性的 AI 具套件，也标志着可解释性 AI（XAI）的重要进展。IBM 作为全球 AI 治理平台的领导者，致于将前沿科技转化为产，为企业提供开放、可信、有针对性的 AI 解决案，共同开启企业级可信 AI的新时代。?在如何帮助企业采 AI 新技术形成新质产，尤其是当前 AI 技术新异、百模战，技术重塑业务有其复杂性、差异性与多样性，在模型的选择、训练与调优、数 3 据的准备等技术问题，乃场景价值、投与产出等策略性问题上，都有着不同企业的疑虑与困惑。书对于企业关注的 AI 模型及平台、数据治理以及 AI 治理等重点领域都有先进经验与理念的分享。在场景价值，书通过深分析汽、融等业的成功案例，展了 AI 技术如何助企业实现转型和创新。在未来，智能的发展将继续以可信、安全为标，依托算法、算、数据为核，帮助企业在 AI 智能时代持续进化，进推动社会智能化的全发展。?本书也强调开源在推动 AI 发展中的重要作。开源不仅促进了技术的透明性，还加速了研发进程，为构建开放、共享、协同、由的 AI 态提供了坚实基础。相信可信赖的企业级成式智能书的每位读者都会开卷有益。?陆群教授?中国开源软件推进联盟名誉主席?4 前?2024 年 3 李强总理代表国务院在四届全国次会议上作的政府作报告中，次提出了开展“智能+”动，这表明国家将加强顶层设计，加快形成以智能为引擎的新质产。?在企业端，智能产业的发展已驶快道，“让 AI 成为核产”已经成为企业领导的迫切需求。据中国信息通信研究院公布的数据，2023 年中国智能核产业规模达到 5784 亿元，增速 13.9%?1。根据肯锡研究报告，到 2030 年前，成式 AI 有望为全球经济贡献约 7 万亿美元的价值，其中中国有望贡献其中约 2 万亿美元，将近全球总量的 1/3?2。?AI 不仅可以推动整体经济和 GDP 的幅增，还将为那些善 AI 的个和组织带来前所未有的竞争优势。放眼全球，成式 AI 对科技业将产最为显著的影响；在中国，先进制造、电与半导体、消费品、能源、银将是受影响最为显著的 5 业。?基于此，IBM 联合中国开源软件推进联盟(?COPU,?China?OSS?Promotion?Union)，结合双对企业应成式 AI 的深刻洞察、技术研究和业务实践，共同发布此报告，致于推动企业效、可信、负责任地应成式 AI，帮助企业打造新的竞争，成为 AI 时代的真正受益者。?本报告先阐述了成式 AI 的演进和现状、全球法和治理概况、应前景和商业价值、险与挑战、企业应的关键因素；其次，对企业级成式 AI 的参考架构进了全介绍，包括 AI 模型平台、数据平台和服务、治理、基础撑平台、AI 应，并展了具有代表性的企业级应成式 AI 的真实案例和实施价值；最后提出企业应成式 AI 的战略规划法及步骤，并对成式 AI 的未来发展进了展望。?5 录录?引与背景引与背景?.?7 7?1.1?成式智能的定义与演进?.?7?1.2?成式智能应的现状?.?10?1.3?成式智能的险及全球法、治理概况?.?11?企业应智能的机遇与挑战企业应智能的机遇与挑战?.?1515?2.1?成式智能的应前景与商业价值?.?15?2.2?成式智能带来的技术与技术挑战?.?18?2.3?成式智能在企业应中的关键因素?.?22?三三?企业级成式智能的技术、产品与解决案企业级成式智能的技术、产品与解决案?.?2828?3.1?企业级成式智能参考架构?.?28?3.2?智能平台和服务?.?31?3.3?数据平台和服务?.?62?3.4?基础撑平台?.?93?3.5?成式智能的企业级应?.?97?四四?成式智能治理成式智能治理?.?116116?4.1?成式智能治理框架?.?116?4.2?融 AI 全命周期?.?117?4.3?成式智能模型治理技术?.?119?6 4.4?成式智能模型治理具?.?124?4.5?成式智能数据治理?.?128?4.6?成式智能在基础撑平台治理的新趋势?.?136?4.7?成式智能治理的指标矩阵?.?137?4.8?成式智能治理的结与展望?.?138?五五?企业级成式智能的规划与实施法企业级成式智能的规划与实施法?.?139139?六六?企业应成式智能的参考案例与实施价值企业应成式智能的参考案例与实施价值?.?143143?6.1?IBM 案例?.?143?6.2?其他案例?.?158?七七?企业级成式智能的未来展望企业级成式智能的未来展望?.?166166?参考献参考献?.?172172?附录附录?watsonx.aiwatsonx.ai 基础模型库基础模型库?.?178178?附录附录?智能指标智能指标?.?180180?附录三附录三?名词解释名词解释?.?190190?致谢致谢?.?193193?7?引与背景引与背景?1.11.1 成式智能的定义与演进成式智能的定义与演进?1.1.11.1.1 成式智能的定义成式智能的定义?成式智能（Generative?AI）是智能技术从上世纪 50 年代开始后，经过专家系统、机器学习两个发展阶段，演进到 2010 年代初出现的种深度学习模型（如图1）。它通过学习数据分布模式和规律，成质量的本、图像、频、视频四基础模态，以及跨模态内容成。?例如，通过学习量本数据，成式 AI 可以成具有类似格的章、说、诗歌等本作品。通过学习图数据分布规律，成式 AI 可以成符合该分布规律的全新图。通过对频的深度学习，成符合不同场景需求的数字播报、语客服、智能家居。使深度学习模型对图像或视频进分析和理解，再根据特定算法成新的视频。最后，这些不同的模态还可以实现跨模态转化和成，如将本转化为图像、频或视频，将图像转化为本、频或视频，应于艺术创作、告营销、教育培训、医疗诊断等领域。?成式 AI 与之前传统 AI（也可称为判别式 AI?Discriminative?AI）最根本的不同在于：创造。成式 AI 具有更的灵活性和创造，可以更好地模拟类的想象和创造，成更加多样化和全新的数据内容。判别式 AI 则主要专注于已有数据的分类和预测，通过学习数据特征和标签之间的关系，进模式识别和预测。例如判别式 AI 只可以区分出猫和狗的图，成式 AI?则可以成逼真的狗的图。?8 基于这样不同的技术路径，成式 AI 与判别式 AI 的成熟程度与应向也不同。判别式 AI 的底层技术相对成熟，在各个领域都有泛的商业应，包括脸识别、推荐系统、控系统、机器、动驾驶等。成式 AI 则在 2015 年前后才开始迅速发展，主要应在内容创造、机交互、产品设计等全新领域。?1.1.21.1.2 成式智能的演进成式智能的演进?成式?AI?技术从?2010?年代初出现后，发展到 2022 年底，主要经历了三波浪潮：?第波浪潮：第波浪潮：2 2010010-20152015年。型模型蓬勃发展。年。型模型蓬勃发展。?变分动编码器?(variational?autoencoders,?VAEs)?是第个泛于成逼真图像和语的深度学习模型，为当今的成式 AI 奠定了基础，也是当今语模型（large?language?models,?LLMs）的基础。VAEs 基于编码器和解码器块构建成。具体来说，编码器将数据集压缩为密集表形式，在抽象空间中将相似的数据点排列得更紧密。解码器从这个抽象空间中进采样以创建新内容，同时保留数据集的最重要特征。VAEs 不仅增强了重建数据的关键能，且还可以输出原始数据的变化形式。?这种成新数据的能引发了系列型模型的快速发展，其中 2014 年出现的成式对抗络?(generative?adversarial?networks,?GANs)?具有突破性影响。GANs 由成器和判别器组成，通过同时训练成器和判别器来学习成新的数据实例，以及更具创造性和多样性的本。?第波浪潮：第波浪潮：2 2015015年年-20172017年。模型规模竞赛起云涌。年。模型规模竞赛起云涌。?这个阶段，成式智能领域出现了越来越多较规模的模型。特别是基于循环神经络（recurrent?neural?networks,?RNN）和卷积神经络（convolutional?neural?9 networks,?CNN）的成模型，能够更好地捕捉上下信息，成更连贯、准确的本，成更加逼真的图像。?例如，2015 年，在计算机视觉领域，残差络（residual?network,?ResNet）取得了突破性进展，这是种深度卷积神经络，能够在图像识别任务中取得更好的效果。2016年，歌推出的 AlphaGo 成为第个在围棋赛中战胜类职业选的智能程序，这标志着智能在游戏领域的重突破。?第三波浪潮：第三波浪潮：2 2017017年年-20222022年。基础模型横空出世。年。基础模型横空出世。?2017 年，程碑式论“Attention?is?all?you?need”提出种全新的神经络架构：Transformer。Transformer 使种全新的注意机制来处理序列数据，与之前传统的循环神经络需要动设计或学习完全不同。具体来讲，Transformer 将“编码器-解码器”架构与本处理机制相结合。编码器将原始本转换为“嵌”表。解码器将这些嵌与模型之前的输出相结合，并连续预测句中的每个单词。通过填空猜谜游戏，编码器可以了解单词与句之间的关系，需任何标记词性。Transformer 甚可以在未指定特定任务的情况下进预训练。学习这些强的表之后，就可以使更少的数据来增强模型的专业化平，以便执给定的任务。Transformer 因其全多样的功能被称为基础模型。?同时，这个阶段的算出现爆发式增，并随着互联、移动互联的快速发展，数据也迎来指数级增。这为规模监督或半监督的学习法提供了强的数据和算保障，从使得基础模型获得巨成功，加速和扩了成式 AI 在企业中的应领域，如动驾驶、机器流程动化等。根据 IBM 发布的2022 年全球 AI 采指数，全球企业采 AI 科技的例持续成，达到 35%，2021 年上升 4%?3。?10 1.21.2 成式智能应的现状成式智能应的现状?2 2022022年底今，成式年底今，成式AIAI进到第四波浪潮：更好、更快、更便宜的成式进到第四波浪潮：更好、更快、更便宜的成式AIAI产品。产品。?2022 年可以说是成式 AI 发展的个重要程碑。继 2022 年 11 30 OpenAI打响 chatGPT 第枪后，全球领先商都快速地发布了的成式 AI 产品，包括亚逊云科技的 Bedrock，微软 Azure 的 OpenAI?Service，IBM 的 Watsonx，歌的 Bard，阿的通义千问，腾讯的混元，百度的。如果说之前的 AI 模型都是具，这波浪潮的 AI 模型因为有接近全类所有数据的撑，成为脑。据不完全统计，截到2023 年 10，中国的成式 AI 产品已超 300 个。从产品类型来看，主要包括本成、图像成、视频成三类，其中本成的市场规模最，占到了整个市场的 60%以上。图像成市场增迅速，视频成市场尚处于起步阶段。?随着成式随着成式AIAI技术的快速成熟，将出现第五波浪潮：杀级应程序技术的快速成熟，将出现第五波浪潮：杀级应程序?(Killer?APP)Killer?APP)的出的出现。现。?随着模型产品益增加，模型业竞争将从拼参数阶段，过渡到拼落地应阶段，会出现杀级应程序。Google 推出 Gemini?1.5 和 GPT-4 你追我赶，竞争激烈。百度在 2003 年 10 17 的百度世界 2023 会上，发布了达模型 4.0 版本，实现了基础模型的全升级，综合能 GPT-4 毫不逊。百度同时发布的余款 AI 原应，涉及搜索、地图、库、盘，以及 AI 原思维打造的国内第个成式商业智能产品百度 GBI，可以通过然语交互，执数据查询与分析任务，还持专业知识注，满更复杂、专业的分析需求?4。2024 年 2 Sora 产品的发布，更是让视频成实现了代际跃迁，让虚拟现实成为可能。?11 1.31.3 成式智能成式智能的险及全球法、治理概况的险及全球法、治理概况?1.3.11.3.1 成式智能的险成式智能的险?成式智能在快速发展的同时，也存在着些潜在的险，其所带来的与隐私保护、成内容错误和幻觉、络安全、偏与伦理、知识产权等相关的险已经显现。具体：?数据隐私保护：数据隐私保护：训练数据如涉及商业秘密、保密信息等，或者未经同意，则可能涉及法收集数据、侵犯个隐私、侵犯他知识产权或其他合法权益的情形。?成内容错误和幻觉：成内容错误和幻觉：成式 AI 依靠输的数据进预测和成输出。但是，它有时会产不准确或完全捏造的输出结果即“幻觉”。这些幻觉可能会导致错误的决策或动，从可能给企业带来重问题。?络安全：络安全：与任何数字具样，成式 AI 系统也不能免受络威胁。如前所述，这些智能系统有可能会被诱骗泄露敏感信息。因此，显然要制定强有的络安全协议。另种新出现的威胁是“提注”，这是技术会利提来哄骗智能模型泄露本不该泄露的信息。更重要的是，实施这种技术并不定需要级技术技能。因此，席安全官定要全掌握成式 AI 可能遭到破坏的所有式。只有了解每种可能的攻击途径，他们才能真正保护的系统并保持强的防御能。?偏与偏与伦理：伦理：智能的公正性取决于训练智能所依据的数据。如果这些数据中存在偏差，模型可能从训练数据中学习到偏，进成带有种族、性别、宗教等的偏内容。此外，还可能会出现其他伦理问题，如使成式 12 智能伪造艺术品、成虚假件、虚假新闻、伪造声、络钓攻击、动化的络欺诈等，所有这些都是企业需要考虑的问题。?知识产权。知识产权。随着知识产权领域的不断发展，2023年或许将迎来成式AI规模应的“Netscape时刻”。随着公共数据和内容所有权的公平使的相关政策、规则和诉讼不断增加，成式AI也有可能迎来“Napster?时刻”（指业的知识产权在互联上公开、低成本地传播）。事实上，这些险可能会促使企业更加关注专有数据和AI模型。?为了应对这些险，很多国家正在努制定伦理准则、监管政策，励技术改进，以确保成式智能的安全和道德使。?1.3.21.3.2 全球法、治理概况全球法、治理概况?成式智能的速发展为各国法和监管带来了新的挑战。由于智能技术的复杂性，与智能的开发、销售和使相关的法律问题涉及范围很，包括络安全、数据安全、隐私、算法、内容、智能治理、知识产权、市场准、反垄断与竞争、技术进出等。因此，与智能有关的法亦包括系列的法律法规，不仅包括专规范成式智能的法，还包括治理络安全、数据安全、隐私保护和上述其他的法。?本章节简要介绍截 2024 年 3 中国、美国和欧盟关于成式智能的法概况。?中国中国?13 2023 年 7，中国国家互联信息办公室（“信办”）等七部联合发布了中国部关于成式智能的规定，即成式智能服务管理暂办法（“暂办法”）。该办法 2023 年 8 15 开始执。利成式智能技术向中华共和国境内公众提供成本、图、频、视频等内容的服务属于暂办法规制的范畴。但暂办法明确将从事成式智能技术研究、开发和应的业组织、企业、学术研究机构、公共化机构等公共服务提供者排除在其范围之外。?除此之外，中国现有的络安全、数据安全和隐私保护相关法律法规，连同与智能相关的算法管理、深度合成管理、伦理准则等相关规定，均与暂办法起，共同建我国成式智能服务的法律框架。?美国美国?在联邦层上，宫、国会和系列联邦机构，包括联邦贸易委员会、消费者融保护局和国家标准与技术研究所，已经提出了系列与智能相关的举措、法律和政策。在短期内，美国的智能监管将更多地利现有法律来对智能技术进监管，不是通过新的针对智能的法律?5。?欧盟欧盟?2024 年 3 13，欧洲议会以压倒性票数通过智能法案。该法案预计将在5 或 6 在完所有审批程序后正式效。法案中的相关条款将分阶段实施?6。该法案旨在保护基本权利、主、法治和环境可持续性免受险智能的影响，同时兼顾 AI技术的发展和创新?7。智能法案根据险级别对智能的使进分类，禁智能在特定的使，并对险应实施严格的监测和披露要求?8。?14 尽管全球对成式智能的法和监管措施在不同国家和地区有所不同，但般来说，些共同的趋势和原则逐渐出现，很多国家的法重点通常集中在数据隐私、透明度和可解释性、络安全、内容审核、知识产权保护、伦理审查和反垄断等领域。?总的来说，成式智能的法和监管仍在不断演进，以适应不断发展的技术和社会挑战。各国政府和国际组织都在努寻找平衡，旨在确保技术的发展与社会、伦理和法律价值相致。相关法律和政策仍在不断发展和完善过程中。?15?企业应智能的机遇与挑战企业应智能的机遇与挑战?2.12.1 成式智能的应前景与商业价值成式智能的应前景与商业价值?2.1.12.1.1 成式智能的应前景成式智能的应前景?成式智能的最终浪潮：世界模型的通智能（成式智能的最终浪潮：世界模型的通智能（A AGIGI），全新的机协同时代。，全新的机协同时代。?随着智能被投喂的数据变为切与我们的产、活息息相关的世界万物时，它会成为基于世界模型的通智能。这个智能将会带来理解、成、逻辑、记忆能的突破，会出现独当的各类专业才：数字艺术家、数字设计师、数字程序员、数字程师、数字供应链专家等等。我们预计，到 2030 年，全能型、多模态的智能将进步普及，类的产活将进全新的机协同时代。成智能有潜彻底改变现有的经济和社会框架，就像电和互联样。?2.1.22.1.2 成式智能的商业价值成式智能的商业价值?当下，“让 AI 成为核产”已经成为企业领导的迫切需求。预计到 2030 年，AI将提升类产，带来达 16 万亿美元的巨价值?9。AI 不仅可以推动整体经济和GDP 的幅增，还将为那些善 AI 的个和组织带来前所未有的竞争优势。不仅如此，AI 还可以帮助类应对和解决诸如研发新药、改善制造业及品产效率、应对候变化等最为紧迫的挑战。?IBM?商业价值研究院最新发布的2023 年全球?CEO?调研发现，四分之三（75%）的 CEO?认为拥有最先进的成式?AI?的组织能够在竞争中获胜，43%?的?CEO?16 表他们的企业已经在使成式?AI?来为其战略决策提供信息。企业级?AI?对企业最直接的价值是帮助优化业务流程，从实现降本增效、提产、以及提升客体验。为了对成式 AI 的商业价值进更加客观的评估，IBM 商业价值研究院?(IBV)?联合津经济研究院，在 2023 年 5 针对美国、澳利亚、德国、印度、新加坡和英国的近 600?名企业管开展了项调研，其中包括美国的?200 位企业 CEO。在此次调研中，我们发现企业管对成式 AI 商业价值的观点，可以总结为以下三点：?第：对成式第：对成式AIAI的投资回报积极乐观，但仍存谨慎态度。的投资回报积极乐观，但仍存谨慎态度。?受访企业管预计，到 2025 年，基于过去年开发的基准 AI 能，成式 AI 的投资回报率将从 2022 年的 7.1%增到超过 10%?10。因此，许多企业都计划在未来两年内继续推动成式 AI 的采。在 2022 年，只有?23%?的受访管表其组织对成式 AI 进了试点、实施、运营和优化，但预计到 2024 年这例将上升?62%?11。另外，在未来两到三年内，企业管对成式 AI 的投资预计将增四倍。但是，即使这样，成式 AI项的投资仍然仅占 AI 总出的部分?10。说明受访管对成式 AI 的投资还是持谨慎态度。?第：对成式第：对成式AIAI的加速采临巨压，但仍在努掌握中。的加速采临巨压，但仍在努掌握中。?先，根据 IBV 的调研，64%的受访 CEO 表正临着来投资者、债权和贷款的巨压，要求他们加速采成式 AI。超过半的受访 CEO 表，他们的员要求加速采成式 AI（如图?1）?12。?17?图?1?实施成式 AI 的压来源?对这样的压，企业管快速掌握成式 AI 技术。他们如今对成式 AI 的认知平远于 2016 年传统 AI 出现第波发展浪潮时的认知平（如图?2）?10。?图?2?企业管对 AI 的认知平变化?第三：成式第三：成式AIAI的应领域较集中，但仍需与企业战略保持致。的应领域较集中，但仍需与企业战略保持致。?我们的调研数据显，前受访企业管主要关注成式 AI 在三个关键领域的应：信息安全与信息技术，客服务、营销与销售，研究与创新和产品开发（如图?3）?11。?18?图?3?企业管关注成式 AI 的应领域?同时，我们也看到，管前关注的这些优先领域多是那些拥有最成熟 AI 能的领域，并不定是战略痛点。因此，组织需要根据的战略能和业务优先事项来明确AI 的应领域，确保 AI 的使符合企业的期战略，不是将 AI 视为解决所有问题的“灵丹妙药”。?2.22.2 成式智能带来的技术与技术挑战成式智能带来的技术与技术挑战?尽管成式 AI 具有阔的前景和潜，但同时也带来了些新的挑战。与其他颠覆性技术样，企业在采成式 AI 的过程中，也需要做出适当的权衡，经过持续不断的实验和迭代才有可能取得成功。?2.2.12.2.1 成式智能带来的技术挑战成式智能带来的技术挑战?成式智能主要包括两核要素：海量数据、规模算。?先，海量数据会带来以下先，海量数据会带来以下8 8技术挑战：技术挑战：?19 隐私隐私安全性安全性：智能模型处理量的个数据，隐私和安全性是个重要关注点。保护数据的隐私，防数据泄露和滥是个挑战，特别是在跨组织或跨边界数据共享的情况下。采隐私保护的机器学习法和安全数据分析技术，以便在保护隐私的同时实现机器学习的任务。?数据可得性数据可得性：海量、多源、动态更新的数据是训练模型和进数据挖掘的必要条件。然，对于某些领域和特定任务，获取够量和质量的数据是项重挑战。例如，某些领域的数据可能度稀缺，或者数据的标注常困难和耗时。在这些情况下，使量数据训练模型可能不切实际。?数据准确性数据准确性：智能模型的训练需要量质量的数据，并且通常需要对数据进标注。数据质量和标注的准确性是个挑战，因为错误或不致的数据可能导致模型训练不稳定或性能下降。此外，对于某些任务，如图像识别和然语处理，数据的标注通常需要类专家参与，这使得数据标注的成本变得常昂。?模型泛化性模型泛化性：智能模型在训练数据上表现出，但在未过的数据上可能泛化能不。过拟合是个常的问题，即模型在训练数据上过度拟合，在新数据上的表现较差。选择适合的模型常重要，这需要仔细地选择模型的超参数和架构，以便提模型的泛化能。?模型解释性模型解释性：?智能模型通常被视为盒，即很难理解模型的决策和推理过程。这在某些应场景中是不可接受的，如医疗和融领域，因为解释模型的决策对于决策的可信度和可解释性关重要。为了解决这个问题，研究员正在研究可解释性的机器学习模型和法，以便更好地理解模型的决策过程。?20 模型适配性模型适配性：在智能模型的开发中，选择合适的算法和模型架构是关键。然，从众多的算法和模型中选择最合适的个可能是具有挑战性的，因为不同的任务和数据可能需要不同的模型来实现最佳性能。?模型可扩展性模型可扩展性：随着模型规模的增，智能模型的可扩展性和效率成为挑战。模型需要更多的计算资源和存储空间，对于实时应或边缘计算等资源受限的场景是否能效运是个问题。?模型效性模型效性：优化模型的架构和参数，减少模型的计算和存储需求。采模型压缩和量化技术，滅模型的规模，提计算效率。使分布式训练和模型并化技术，提模型训练和推理的速度和效率。?其次，规模算同样也会带来其次，规模算同样也会带来3 3技术挑战：技术挑战：?算强性算强性：成式 AI 需要处理海量的数据，这就需要强的计算能和存储能。根据2022-2023 全球计算指数评估报告，成式 AI 计算市场规模将从 2022 年的 8.2 亿美元增到预计的 2026 年的 109.9 亿美元，其占整体 AI 计算市场的份额也将从 4.2%增到 31.7%?13。?算可性：算可性：对于智能模型的训练和应，算可性是个重要的因素。由于模型需要量的计算资源，包括性能的计算设备和型存储空间来存放数据和模型，这对于许多组织和研究员来说是挑战。除了硬件资源外，络带宽和延迟也是影响模型应的重要因素。在分布式系统中，训练模型通常需要将量的数据从个节点传输到另个节点，这需要带宽的络连接和低延迟的通信。如果络连接的速度很慢或者存在量的延迟，那么训练模型的时间将会增加，这可能会使得组织和研究员难以承受。?21 算算优化性优化性：成式 AI 的训练和推理过程需要量的计算资源，因此需要不断优化算法和模型，降低计算复杂度和内存占，提计算效率。同时，在处理规模数据时，如何提单芯算、突破算利率、实现更能效，是算基础设施需要对的重要挑战。?2.2.22.2.2 成式智能带来的技术挑战成式智能带来的技术挑战?除了技术挑战之外，成式 AI 还会带来些技术挑战，主要包括以下 4 个：?监管必要性：监管必要性：成式AI从诞之起，已迅速实现了“消费化”。这种规模采意味着些可以在没有正式指导的情况下使成式AI。他们在没有护栏的情况下使成式AI，其为可能法受到监管，并且可能会导致不可预测的后果。如果缺乏适当的监督，组织就法正确识别、量化或管理采新兴技术的相关险。在全球范围内，只有不到60%的受访管认为其组织已经为AI监管做好了准备，69%?的受访管预计会因采成式AI受到监管罚款?14。因此，组织需要安全、负责任地利强的成式AI，明确想要实现什么样的标，以及实现这愿景所需做出的改变。?社会伦理性：社会伦理性：智能模型的发展和应引发了许多伦理和社会问题，包括公平性、透明度、责任和权益等的考虑。因此，需要制定相应的政策和规范来确保模型的公正和可接受性；制定合适的法律法规和伦理准则，确保智能模型的使符合道德和法律要求；开展公开和透明的讨论，促进社会对智能技术的理解和参与；注重公平性和权益保护，进数据脱敏和去偏倚处理，避免对特定群体的歧视和偏。?22 环境保护性：环境保护性：基础模型需要量的计算、存储和络资源，这会消耗量能源，产碳排放，给环境保护和候变化带来了巨挑战。据研究，训练个型然语处理模型的碳迹与5辆汽在其整个命周期中的碳迹致相同。因此，企业应该适当考虑相关环保性。同时，社会各界正在研究如何加快模型推理速度、降低算成本、减少能耗，以此来突破预训练模型的发展制约。?机协同性：机协同性：随着 AI 时代到来，企业需要快速实现员技能的转型和提升，来拥抱 AI浪潮。技术加速使每个都变成了“超级个体”，和机器的协作关系重新被定义和划分。才需要合理地借助具和技术，审时度势，提升价值与战。才技能的转型往往伴随组织化的更新，优秀公司早已把励创新和学习的基因扎根在企业化之中。?2.32.3 成式智能在企业应中的关键因素成式智能在企业应中的关键因素?企业在应成式 AI 时，需要重点关注三关键因素：?第个关键因素：组织和技能。第个关键因素：组织和技能。?根据 IBV 调研，多达 80%的受访管认为，由于成式 AI 的兴起，劳动和技能正在发变化。展望未来，受访管表才和技术技能关重要，组织将优先建和发展既能帮助员使成式 AI，能完成只有类才能胜任的作技能。随着成式 AI的益普及，57%的受访管预计创造技能将变得更加重要。超过半的受访管认为技术技能、时间管理和优先级规划能的重要性也会随着成式 AI 的普及幅增加?15。?23 另外，我们从调研中也发现，87%的管预计成式 AI 将更加泛地增强员的能，不是取代他们（如图?4）?15。?图?4?企业管预计成式 AI 对员技能的影响?但是，并所有职能的员都会受到同等程度的影响。从上图我们可以看到，受访管预计会成式 AI 取代的最多的三项职能是：营销、客服务、资源。最不可能取代的三项职能是采购、险和合规、财务。线员可能会受到最的影响，但也可能受益最多。?因此，为了帮助企业全员更好地适应和承担在不断变化的作场所中的新和新责任，企业管应全领导并推动成式 AI 转型。?先，在组织层，从转变观念、设定标、建原则、营造化。先，在组织层，从转变观念、设定标、建原则、营造化。?从“+AI”的被动思维转变为“AI+”的主动思维，即在设计之初就以 AI 为中，这将有助于更深地理解成式 AI，增强响应市场形势变化的敏捷性，并确保投资和资分配与整个组织各个层的持相致。定义成式 AI 采的财务和财务标，并确定具体、可量化的措施，包括希望员积极接受的变。为 AI 的伦理道德使设定界限。成式 AI 模型很强，但必须负责任地使它们。这包括尊重隐私、透明度、公平性和问责 24 制。积极营造试验化，认识到成式 AI 对所有都是新事物。励团队使成式 AI进测试、迭代和改进，并跟踪成功指标。?其次，在才层，从选育留着。其次，在才层，从选育留着。?了解才资源的来源和分布情况，认识到潜在技能短缺，并将顶尖才分配到竞争优势最关键的领域。评估成式 AI 对员团队的潜在影响，跨职能重新定义或重新部署，增强技能互补，依靠团队合，以更好地利成式 AI。并成 AI 技能学院，对具有相应资格的员进再培训和/或技能提升培训，不仅优先发展技术技能，还应优先增强协作、沟通和同理。课程还应涵盖基础模型的合理使和不当使，从促进负责任的 AI使。在培训的基础上，启动激励计划以推动职业发展。?最后，从运营层，最后，从运营层，为了加快为了加快AIAI的采，的采，企业需要企业需要重塑和重建运营模式重塑和重建运营模式。?具体举措包括：促进跨职能理解，简化 AI 部署流程，并确保在整个组织中实现成式AI 和基础模型的优势；建 AI 集成框架，以便在整个运营中缝部署 AI；建符合监管标准和最佳实践的稳健型数据与 AI 治理实践；在不同业务部、技术团队、数据科学家和决策者之间营造种协作式环境等。?第个关键因素：负责任第个关键因素：负责任AIAI与伦理。与伦理。?成式?AI?如同当年的“西部淘热”，对财富的追逐已经超过了规则和法规。但是如果组织太急于求成，未考虑复杂的 AI 伦理问题，就可能会因短期利益损害期声誉。?根据 IBM 商业价值研究院调研：58%受访管认为采成式 AI 存在重伦理险，如果没有新的治理结构或者少更加成熟的治理结构，就法管理这种险?16。然 25，许多管都难以将原则付诸实践。尽管 79%的受访管表 AI 伦理对其企业级 AI 法很重要，但只有不到 25%的受访管实施了 AI 伦理的共同原则?17。?因此，企业可以从以下三个举措，更好地构建企业负责任的 AI 和伦理体系：?先，先，CEOCEO 不能在不能在 AIAI 伦理问题上推卸责任伦理问题上推卸责任。根据 IBM 商业价值研究院调研，80%的受访管表，企业领导者（不是技术领导者）应当对 AI 伦理负主要责任?17。CEO 必须掌控全局并为其他开辟道路。除了决策以外，CEO 还必须负责向其他领导者普及关于新兴伦理问题的知识。通过将关于可信 AI 的对话提升到其他级管理层和董事会的层，CEO 可以确保这些关键利益相关者不会被边缘化。这样组织可以加快动速度，同时保持领导层协同致。?其次，其次，通过满客期望来赢得信任。通过满客期望来赢得信任。建个值得信任的品牌需要数年的时间，摧毁它只需要天的时间。在数据泄露和不信任的时代，消费者、员和合作伙伴对不以诚信事的企业毫不宽容。根据 IBM 商业价值研究院的调研，37%的消费者曾为了保护隐私选择更换了品牌?18。69%的受访员表，他们更愿意接受那些他们认为具有社会责任感的组织的作机会?19。组织内需要建下上的协作信任化，让 AI 伦理成为每个的责任，并让 AI 治理成为项集体共同标。同时，组织从内外，需要泛、透明地传达企业的伦理价值观。在内部对员进再培训，确保在作中合理运 AI，避免不当运?AI。在外部，针对合作伙伴开展 AI 伦理和偏识别培训，强调可信 AI 的重要性。?最后，最后，为所有为所有 AIAI 和数据投资做好伦理和监管准备。和数据投资做好伦理和监管准备。超过半?(56%)?的受访 CEO 推迟了重投资，等待对 AI 标准和法规建清晰的认识?20。72%的组织将因伦理顾虑放弃成式 AI 带来的收益?21。企业掌舵者应做好准备，随时根据监管向的转变和新出台 26 的法规做出调整。确保应场景易于解释，AI 成的件清晰可识别，AI 训练保持透明且接受持续批判。建归档化，持续记录组织中使 AI 的所有实例和相关治理，有效管理险。通过清单来记录使 AI 的每个实例，确保 AI 成的资产可以追溯到基础模型、数据集、提或其他输。同时将这些源信息植到数字资产管理和其他系统中。?第三个关键因素：数据和平台。第三个关键因素：数据和平台。?成式 AI 模型需要量数据，负责任地提供数据则需要整个组织的协作。根据?IBV最近开展的项调研，60%的组织尚未建致的企业级成式 AI 法?15。?在混合云旅程中得更远的组织更有可能发挥出成式 AI 的优势，因为云转型需要更全的数据法。但是，主要利云来降低各孤领域成本的组织，可能需要重新审视其法，通过打通孤岛实现互联互通。IBM 商业价值研究院的研究表明，约五分之三的受访管表混合云和成式 AI 在创造价值是相互关联的。另外 40%的受访管仍在竭让其多个不同平台保持协同致?15。?统数据可能是项艰巨的任务，但如果缺乏明确的标，那么可能会得不偿失。不过，基于可靠数据构建的混合云和成式 AI 平台，可以开启通往更有价值的全新态合作的。近三分之的受访管表，成式 AI 可以改善并加速与态系统合作伙伴的数据共享?15。?因此，企业可以从以下三个打造协同致的数据和平台：?先，企业应先，企业应评估并了解创建成式评估并了解创建成式 AIAI 例的数据和混合平台需求例的数据和混合平台需求。这就需要了解企业所拥有的数据类型，以及处理和分析此类数据的计算要求。依据这些需求，设定平台的选择标准，以持使成式 AI 和相关基础模型。这些标准可能包括：例特异性，成本（模型开发和运营费），相关数据的可性和可访问性，预测精度与计算效率之间的 27 平衡，安全措施和协议，所需的定制化程度，系统整体性能，跨不同环境的可移植性，法律和监管标准合规性。?其次，需要评估当前和潜在合作伙伴的实，从中甄选出能够有效满混合平台需其次，需要评估当前和潜在合作伙伴的实，从中甄选出能够有效满混合平台需求，并能为创建差异化优势助的态系统合作伙伴，共创成功。求，并能为创建差异化优势助的态系统合作伙伴，共创成功。企业需要联合这些态系统合作伙伴，确共同的标，使致的指标，并采零信任安全实践，全位提整个态系统的安全性。企业可以利开放式混合技术，为组织和合作伙伴态系统创建致、可扩展和优化的通平台。?最后，最后，将基础模型集成到运营中将基础模型集成到运营中，推动规模部署时，推动规模部署时，需要需要确保可以扩展这些模确保可以扩展这些模型，不会影响业务成效或导致运营中断。型，不会影响业务成效或导致运营中断。这就需要强的模型管理、性能监控和持续改进机制。同时，由于基础模型需要访